Python实现FA萤火虫优化算法优化XGBoost分类模型(XGBClassifier算法)项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解 ),如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1 . 项目背景

萤火虫算法(Fire-fly algorithm,FA)由剑桥大学Yang于2009年提出 , 作为最新的群智能优化算法之一,该算法具有更好的收敛速度和收敛精度,且易于工程实现等优点。

本项目通过FA萤火虫优化算法优化XGBoost分类模型。

2 . 数据获取

本次建模数据来源于网络(本项目撰写人整理而成),数据项统计如下:

|------------|--------------|------------|
| 编号 | 变量名称 | 描述 |
| 1 | x1 | |
| 2 | x2 | |
| 3 | x3 | |
| 4 | x4 | |
| 5 | x5 | |
| 6 | x6 | |
| 7 | x7 | |
| 8 | x8 | |
| 9 | x9 | |
| 10 | x10 | |
| 11 | y | 因变量 |

数据详情如下(部分展示):

3. 数据预处理

3.1 用P andas 工具查看数据

使用Pandas工具的head()方法查看前五行数据:

关键代码:

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息:

从上图可以看到,总共有11个变量,数据中无缺失值,共2000条数据。

关键代码:

3. 3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下:

4. 探索性数据分析

4 . 1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图:

4 .2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图:

4 .3 相关性分析

从上图中可以看到,数值越大相关性越强,正值是正相关、负值是负相关。

5. 特征工程

5.1 建立特征数据和标签数据

关键代码如下:

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分,关键代码如下:

6.构建FA萤火虫优化算法优化XGBoost分类模型

主要使用FA萤火虫优化算法优化XGBoost分类算法,用于目标分类。

6.1 FA萤火虫优化算法寻找最优的参数值

最优参数:

6.2 最优参数值构建模型

|------------|--------------|----------------------------------|
| 编号 | 模型名称 | 参数 |
| 1 | XGBoost分类模型 | n_estimators=best_n_estimators |
| 2 | XGBoost分类模型 | learning_rate=best_learning_rate |

7.模型评估

7.1 评估指标及结果

评估指标主要包括准确率、查准率、查全率、F1分值等等。

|--------------|--------------|-------------|
| 模型名称 | 指标名称 | 指标值 |
| 测试集 |||
| XGBoost分类模型 | 准确率 | 0.8400 |
| XGBoost分类模型 | 查准率 | 0.8408 |
| XGBoost分类模型 | 查全率 | 0.8408 |
| XGBoost分类模型 | F1分值 | 0.8408 |

从上表可以看出,F1分值为0.8408,说明模型效果较好。

关键代码如下:

7.2 分类报告

从上图可以看出,分类为0的F1分值为0.84;分类为1的F1分值为0.84。

7.3 混淆矩阵

从上图可以看出,实际为0预测不为0的 有32个样本;实际为1预测不为1的 有32个样本,整体预测准确率良好。

8. 结论与展望

综上所述,本文采用了FA萤火虫优化算法寻找XGBoost算法的最优参数值来构建分类模型,最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

python 复制代码
# 本次机器学习项目实战所需的资料,项目资源如下:
 
# 项目说明:

链接:https://pan.baidu.com/s/1YSWWhDN8YFdlqPhCoCYNRg 
提取码:7exh

更多项目实战,详见机器学习项目实战合集列表:

机器学习项目实战合集列表_机器学习实战项目_胖哥真不错的博客-CSDN博客


相关推荐
Blossom.1184 分钟前
机器学习在智能供应链中的应用:需求预测与物流优化
人工智能·深度学习·神经网络·机器学习·计算机视觉·机器人·语音识别
Gyoku Mint10 分钟前
深度学习×第4卷:Pytorch实战——她第一次用张量去拟合你的轨迹
人工智能·pytorch·python·深度学习·神经网络·算法·聚类
葫三生1 小时前
如何评价《论三生原理》在科技界的地位?
人工智能·算法·机器学习·数学建模·量子计算
郭庆汝6 小时前
pytorch、torchvision与python版本对应关系
人工智能·pytorch·python
IT古董6 小时前
【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
神经网络·算法·机器学习
思则变9 小时前
[Pytest] [Part 2]增加 log功能
开发语言·python·pytest
漫谈网络9 小时前
WebSocket 在前后端的完整使用流程
javascript·python·websocket
学技术的大胜嗷9 小时前
离线迁移 Conda 环境到 Windows 服务器:用 conda-pack 摆脱硬路径限制
人工智能·深度学习·yolo·目标检测·机器学习
还有糕手9 小时前
西南交通大学【机器学习实验10】
人工智能·机器学习
try2find11 小时前
安装llama-cpp-python踩坑记
开发语言·python·llama